UNIVERSIDAD NACIONAL DEL CALLAO

FACULTAD DE INGENIERÍA QUÍMICA

UNIDAD DE INVESTIGACIÓN

INFORME FINAL

“MODELO MATEMÁTICO EPIDEMIOLÓGICO SIR PARA LA DINÁMICA DE

TRANSMISIÓN DE LA COVID-19 EN LA REGIÓN CALLAO”

AUTOR

SANTOS PANTALEÓN RODRIGUEZ CHUQUIMANGO

Callao, 2022

PERÚ
ii
 DEDICATORIA

“Este trabajo está dedicado a la memoria de todos los Docentes y administrativos de

la UNAC que fallecieron a causa de la pandemia…”

iii
AGRADECIMIENTO

“A ti, oh Dios de mis padres, te doy gracias y te

alabo poque me has dado sabiduría y fuerza”

Daniel 2:23

iv
 INDICE

DEDICATORIA ................................................................................................. iii

AGRADECIMIENTO ......................................................................................... iv
INDICE............................................................................................................... v
TABLAS DE CONTENIDO ................................................................................ ix
TABLA DE GRÁFICOS ...................................................................................... x
RESUMEN ........................................................................................................ xi
ABSTRAC ........................................................................................................ xii
INTRODUCCIÓN .............................................................................................. 1
I. PLANTEAMIENTO DEL PROBLEMA ........................................................ 2

1.1. Descripción de la realidad problemática .................................................. 2

1.2. Formulación del problema ....................................................................... 3

1.2.1. Problema general .......................................................................... 3

1.2.2. Problemas específicos ................................................................... 3

1.3. Objetivos ................................................................................................. 3

1.3.1. Objetivo general ............................................................................ 3

1.3.2. Objetivos específicos ..................................................................... 3

1.4. Limitantes de la investigación .................................................................. 4

1.4.1. Teórica .......................................................................................... 4

1.4.2. Temporal ....................................................................................... 4

1.4.3. Espacial ......................................................................................... 4

II. MARCO TEÓRICO .................................................................................... 5

2.1. Antecedentes .......................................................................................... 5

v
2.2. Bases teóricas ......................................................................................... 8

2.2.1. Modelo matemático ....................................................................... 8

2.2.2. El modelo matemático SIR ............................................................ 9

2.2.3. Formulación del modelo matemático SIR .................................... 10

2.2.4. Tasa básica de reproducción ....................................................... 10

2.2.5. Enfermedad infecciosa ................................................................ 11

2.3. Conceptual ............................................................................................ 13

2.3.1. Modelación con EDO lineales ...................................................... 13

2.3.2. Clasificación de los modelos matemáticos ................................... 15

2.3.3. Difusión de una enfermedad ........................................................ 16

2.3.4. Modelos de compartimentos ........................................................ 18

2.4. Definición de términos básicos .............................................................. 20

2.4.1. Tasa de infección ........................................................................ 20

2.4.2. Tasa de recuperación .................................................................. 20

2.4.3. Individuos expuestos ................................................................... 20

2.4.4. Individuos infectados o infecciosos. ............................................. 20

2.4.5. Individuos latentes ....................................................................... 20

2.4.6. Periodo de incubación. ................................................................ 21

2.4.7. Incidencia. ................................................................................... 21

2.4.8. Proporción de letalidad. ............................................................... 21

vi
2.4.9. Mortalidad inducida por enfermedades. ....................................... 21

III. HIPÓTESIS Y VARIABLES .................................................................. 22

3.1. Hipótesis ............................................................................................... 22

3.1.1. Hipótesis general ......................................................................... 22

3.1.2. Hipótesis específicas ................................................................... 22

3.2. Definición conceptual de variables ........................................................ 22

3.2.1. Operacionalización de variable .................................................... 22

IV. DISEÑO METODOLÓGICO ................................................................. 24

4.1. Tipo y diseño de la investigación. .......................................................... 24

4.2. Método de investigación. ....................................................................... 24

4.3. Población y muestra .............................................................................. 24

4.4. Lugar de estudio y periodo desarrollado ................................................ 24

4.5. Técnicas e instrumentos para la recolección de la información ............. 24

4.6. Análisis y procesamiento de datos. ....................................................... 24

V. RESULTADOS......................................................................................... 25

5.1. Resultados descriptivos......................................................................... 25

5.1.1. Simulación de la Dinámica del COVID 19 para 1000 habitantes .. 25

5.1.2. Dinámica de la COVID 19 cuando aumenta la tasa de infección . 27

5.1.3. Aplanando la curva de Infectados ................................................ 28

5.2. Resultados inferenciales ....................................................................... 30

vii
5.2.1. Procedimiento para el modelo SIR en formato Geogebra ............ 30

5.2.2. Dinámica de la COVID 19 con alta tasa de infección ................... 31

5.2.3. Dinámica de la COVID 19 con medidas de contención ................ 32

5.2.4. Efecto de las medidas de contención .......................................... 33

5.2.5. Dinámica de la Covid 19 en la región Callao ............................... 34

5.3. Otros resultados .................................................................................... 39

5.3.1. Reporte de fallecidos diarios ........................................................ 39

5.3.2. Reporte de Infectados desde marzo 2020 hasta marzo 2021 ...... 39

VI. DISCUSIÓN DE RESULTADOS........................................................... 41

6.1. Contrastación y demostración de la hipótesis con los resultados .......... 41

6.2. Contrastación de los resultados con otros estudios similares ................ 41

6.3. Responsabilidad ética de cuerdo a los reglamentos vigentes ................ 42

CONCLUSIONES ........................................................................................... 43
RECOMENDACIONES ................................................................................... 44
REFERENCIAS BIBLIOGRÁFICAS ................................................................ 45

MATRIZ DE CONSISTENCIA ......................................................................... 47

Fuente de datos ............................................................................................ 48

viii
 TABLAS DE CONTENIDO

Tabla 1. Operacionalización de la Variable Dependiente 23

Tabla 2. Dinámica del COVID 19 con el Modelo SIR en EXCEL 25

Tabla 3. Dinámica del COVID 19 con el Modelo SIR en EXCEL mayor tasa de
infección 27

Tabla 4. Aplanamiento de la curva de Infectados 29

ix
 TABLA DE GRÁFICOS

Figura 1. Secuencia de la modelación matemática 16

Figura 2. Modelos de Compartimentos Tipo SI, SIR, SIS, SIRS 19

Figura 3. Dinámica del COVID 19 con el Modelo SIR en EXCEL 26

Figura 4. Dinámica del COVID 19 con aumento de tasa de infección 28

Figura 5. Aplanando la curva de Infectados 30

Figura 6. Dinámica de susceptibles, Infectados y Recuperados con mayor tasa de

infección 32

Figura 7. Dinámica de susceptibles, Infectados y Recuperados con menor tasa de

infección 33

Figura 8. Aplanando la curva de infectados 34

Figura 9. Reporte de infectados diarios en la Región Callao 35

Figura 10. Simulación de dinámica de la Covid 19 Región Callao-Primera Ola 36

Figura 11. Simulación de Infectados Primera Ola-Región Callao 36

Figura 12. Simulación de dinámica de la Covid 19 Región Callao-Segunda Ola 37

Figura 13. Simulación de Infectados Segunda Ola-Región Callao 37

Figura 14. Simulación de dinámica de la Covid 19 Región Callao-Tercera Ola 38

Figura 15. Simulación de Infectados Tercera Ola-Región Callao 38

Figura 16. Dinámica de fallecidos por día periodo marzo 2020 hasta abril 2021 39

Figura 17. Dinámica de Infectados desde marzo 2020 hasta marzo 2021-Perú 40

Figura 18. Simulación de un escenario de pandemia para población finita 42

x
 RESUMEN

El trabajo de investigación Modelo Matemático Epidemiológico SIR para la dinámica

del Covid 19 en la región Callao, tiene por objetivo aplicar el modelo epidemiológico
SIR, que ha servido para estudiar el comportamiento de enfermedades infecciosas.
para mostrar la dinámica de Susceptibles, Infectados y Recuperados generados por la
Covid 19 en la región Callao. En el marco teórico hacemos la presentación del modelo
matemático epidemiológico SIR, que usa un sistema de ecuaciones diferenciales no
lineales. Para resolver el sistema de ecuaciones hacemos uso del software
matemático Geogebra, el cual usa un algoritmo numérico para resolver el sistema y
nos presenta las curvas solución que nos permiten observar la dinámica del Covid 19.
Se ha hecho también una simulación para una población de 1000 habitantes, con
diferentes valores para los parámetros 𝛽 y 𝛾 que representan la tasa de contagio y la
tasa de recuperación respectivamente. Dichos valores corresponden a los datos
reportados por el Ministerio de Salud para la región Callao.

Los resultados nos permiten concluir la importancia de dictar medidas

gubernamentales que permitan controlar la pandemia, a fin de que el sistema de salud
de nuestra región no colapse debido a la gran cantidad de infectados que requerirán
atención médica. El confinamiento obligatorio, el distanciamiento social, el lavado de
manos, y el uso de mascarillas con responsabilidad son necesarias para el control de
la epidemia.

Palabra Clave: Covid 19, Modelo matemático SIR

xi
 ABSTRAC

The research work SIR Epidemiological Mathematical Model for the dynamics of Covid
19 in the Callao region, aims to apply the SIR epidemiological model, which has
served to study the behavior of infectious diseases. to show the dynamics of
Susceptible, Infected and Recovered generated by Covid 19 in the Callao region. In
the theoretical framework we present the SIR epidemiological mathematical model,
which uses a system of non-linear differential equations. To solve the system of
equations we use the Geogebra mathematical software, which uses a numerical
algorithm to solve the system and presents us with the solution curves that allow us to
observe the dynamics of Covid 19. A simulation has also been made for a population
of 1000 inhabitants, with different values for the parameters β and γ that represent the
contagion rate and the recovery rate, respectively. These values correspond to the
data reported by the Ministry of Health for the Callao region.
The results allow us to conclude the importance of dictating government measures to
control the pandemic, so that the health system in our region does not collapse due to
the large number of infected who will require medical attention. Mandatory
confinement, social distancing, hand washing, and the responsible use of masks are
necessary to control the epidemic.

Keyword: Covid 19, SIR mathematical model

xii
 INTRODUCCIÓN

El proyecto de investigación titulado Modelo Matemático Epidemiológico SIR para

la Dinámica de Transmisión d la COVID 19 en la Región Callao, tiene por objetivo
aplicar el modelo matemático epidemiológico SIR para la dinámica de la pandemia
producida por la COVID 19 en la región Callao, haciendo una descripción de la
dinámica de la población de Susceptibles, Infectados y Recuperados a causa de la
enfermedad producida por la COVID-19. En el marco teórico hacemos una
descripción del modelo matemático SIR que ha sido formulado para predecir el
contagio de enfermedades. Para los resultados, se consideró los datos publicados
por el Ministerio de Salud para la región Callao. Aplicamos el modelo matemático
SIR, resolvemos el sistema de ecuaciones diferenciales que corresponde usando
el software matemático Geogebra, el cual nos ha permitido presentar las curvas
solución que mostrarán la dinámica de la COVID-19 en la región Callao.

También se ha hecho una simulación de la pandemia usando el software EXCEL

observando el comportamiento de la enfermedad en una población de 1000
habitantes, teniendo en cuenta los diferentes escenarios de la enfermedad, Sin
restricciones, con medidas gubernamentales para detener los contagios como el
confinamiento obligatorio, el distanciamiento social y el lavado de manos. E ha
hecho una simulación de la pandemia en la región Callao, considerando la
población total de la Región, observándose que la dinámica se refleja en tres olas,
que corresponden a los datos oficialmente reportados por el ministerio de Salud
para la región Callao, en lo que respecta a los infectados.

En las conclusiones manifestamos la importancia de seguir manteniendo la

distancia social, el lavado de manos y el uso de mascarillas con responsabilidad
para evitar que la tasa de contagio aumente y genere un colapso en el ministerio
de salud.

1
I. PLANTEAMIENTO DEL PROBLEMA

1.1. Descripción de la realidad problemática

A partir de diciembre del 2019 el mundo entero ha sido testigo de la aparición del
virus SARS-COV2, que viene produciendo una de las pandemias más desastrosas
de los últimos tiempos, causando la muerte de muchísimas personas en todo el
mundo. Desde la aparición de este virus la vida del ser humano se ha visto
afectada en muchas formas. Aquí en el Perú, el 06 de marzo del 2020 se anunció
la presencia del primer contagiado exportado desde Europa, y desde el 19 de
marzo del 2020 en que se informó el primer deceso por causa del virus, la vida de
los peruanos ha cambiado radicalmente, pues, a pesar de las medidas de
confinamiento ejecutadas por el supremo gobierno, no se pudo controlar la
propagación del virus primero en Lima y luego a las otras regiones del país.

La enseñanza universitaria ha sido afectada por las medidas de confinamiento

dictadas, así como otras actividades indispensables para el desarrollo del país,
Los docentes y estudiantes hemos incursionado, resultado del confinamiento en
las clases virtuales y en trabajos de investigación remoto.

Las pandemias y el contagio de enfermedades no son nuevas en nuestra sociedad

y ha sido una preocupación de científicos e investigadores el estudiar estos
fenómenos para poder contrarrestar sus efectos y tomar las medidas
correspondientes a fin de atenuar sus efectos y salvaguardar la vida humana.
Modelos matemáticos han sido formulados para poder estudiar la dinámica de las
enfermedades, uno de estos modelos es el modelo matemático epidemiológico
SIR que es un modelo compartimental y usa un sistema de ecuaciones
diferenciales ordinarias para estudiar el contagio de enfermedades, veremos de
qué forma podemos usar este modelo para entender y describir la dinámica del
COVID-19 en la región Callao.

2
1.2. Formulación del problema
1.2.1. Problema general
¿De qué forma el modelo matemático epidemiológico SIR nos permite explicar la
dinámica de la COVID-19 en la región Callao?

1.2.2. Problemas específicos

a) ¿De qué forma el modelo matemático epidemiológico SIR nos permite
mostrar la dinámica de Susceptibles producida por la COVID-19 en la región
Callao?

b) ¿De qué forma el modelo matemático epidemiológico SIR nos permite

mostrar la dinámica de Infectados producida por la COVID-19 en la región
Callao?

c) ¿De qué forma el modelo matemático epidemiológico SIR nos permite

mostrar la dinámica de Recuperados de la enfermedad producida por la
COVID-19 en la región Callao?

1.3. Objetivos
1.3.1. Objetivo general
Usar el modelo matemático SIR para mostrar la dinámica del COVID-19 en la
región Callao.

1.3.2. Objetivos específicos

a) Usar el modelo matemático epidemiológico SIR para mostrar la dinámica de
la población de Susceptibles producida por la COVID-19 en la región Callao.

b) Usar el modelo matemático epidemiológico SIR para mostrar la dinámica de

la población de Infectados producida por la COVID-19 en la región Callao.

c) Usar el modelo matemático Epidemiológico SIR para mostrar la dinámica de

la población de Recuperados de la enfermedad producida por la COVID-19
en la región Callao.

3
1.4. Limitantes de la investigación
1.4.1. Teórica
La enfermedad producida por el COVID-19 es realmente nueva y aún está en
estudio por lo que los conocimientos teóricos aún están en desarrollo, sin
embargo, el trabajo se enfoca al análisis del modelo matemático SIR que ha
servido para estudiar el contagio de enfermedades en epidemiología.

1.4.2. Temporal
En nuestro caso nos limitamos al período comprendido entre marzo del 2020
hasta marzo del 2021 y los datos obtenidos hasta el momento, publicados por el
Ministerio de Salud. Al inicio de la pandemia en el Perú, el Ministerio de Salud
solamente informaba el número de fallecidos diariamente, por lo que no se tiene
un informe del número de infectados en el mes de marzo y abril.

1.4.3. Espacial
La investigación está limitada a los datos correspondientes al Perú y de manera
particular a la región del Callao.

4
II. MARCO TEÓRICO

2.1. Antecedentes
Antecedentes internacionales

Manrique y otros (2020) en el trabajo de investigación Modelo SIR de la pandemia

de Covid-19 en Colombia tienen por objetivo desarrollar un modelo SIR pronóstico
de la pandemia de COVID-19 en el territorio colombiano. Se utilizó un modelo SIR
con enfoque determinístico para pronosticar el desarrollo de la pandemia de
COVID-19 en Colombia. Los estados considerados fueron susceptibles (S),
infecciosos (i) y recuperados o fallecidos (R). Los datos poblacionales se
obtuvieron del Departamento Administrativo Nacional de estadística (Proyecciones
de Población 2018-2020, difundida en enero de 2020) y los datos sobre casos
diarios confirmados de COVID-19 del Instituto Nacional de Salud. Se plantearon
diferentes modelos variando el número básico de reproducción (R0). A partir de
los casos reportados por el Ministerio de Salud se crearon cuatro ambientes o
escenarios simulados en un modelo SIR epidemiológico, se extendieron las series
de tiempo hasta el 30 de mayo, fecha probable del 99% de infección poblacional.
Un Ro de 2 es la aproximación más cercana al comportamiento de la pandemia
durante los primeros 15 días desde el reporte del caso 0, el peor escenario se
daría en la primera semana de abril con un Ro igual a 3. Se hacen necesarias
nuevas medidas de mitigación y supresión en las fases de contención y
transmisión sostenida, como aumento de la capacidad diagnostica por pruebas y
desinfección de zonas pobladas y hogares de aislamiento.

Ortigosa y otros (2020) en el trabajo de investigación Simulación Numérica y

Modelación Matemática de la propagación del Covid 19 en el estado de Veracruz,
se muestra el uso de diferentes modelos matemáticos para simular posibles
escenarios de la propagación del Covid 19 en el estado de Veracruz; se obtienen
cantidades importantes en epidemiología como son el número básico de
reproducción, así como las tasas de transmisión, recuperación y de latencia. Los
datos reportados por la secretaria de salud de Veracruz son entradas a modelos

5
de compartimentos (S=susceptibles, I=Infectados, E=expuestos, R=recuperados),
escritos como sistemas de ecuaciones diferenciales no lineales; los parámetros
son hallados usando un método de mínimos cuadrados ajustando el modelo de
ecuaciones diferenciales a los datos. Así mismo se presentan resultados con
algoritmos learning machine aplicados a los datos y una extensión del modelo
temporal a un modelo espacio-temporal de autómata celular.

Wilches y Castillo (2020) en el artículo de titulado: Aproximación Matemática del

Modelo Epidemiológico SIR para la comprensión de las medidas de contención
contra la COVID-19 tienen por objetivo desarrollar el modelo matemático SIR y su
aplicación para predecir el curso de la pandemia por Covid-19 en la ciudad de
Santa Marta (Colombia), a fin de comprender la razón que subyacía a varias de
las medidas de contención adoptadas por los Estados del mundo en la lucha
contra la pandemia.

Antecedentes nacionales

Gonzales (2020) en el trabajo de investigación titulado: Pandemia de la COVID-19

y las Políticas de Salud Pública en el Perú: marzo-mayo 2020, se tiene por
objetivo analizar la dinámica del comportamiento de la COVID-19 en el Perú,
estimar y evaluar el impacto de la política pública de supresión (cuarentena). Se
usa el modelo matemático SIR y la estimación con el método de mínimos
cuadrados. Se encontró que el número básico de propagación (Ro) cayó de 6,0 a
3,2 habiéndose reducido en 54% por efecto de la estrategia de supresión, y dos
meses después cayó a 1,7. Sin embargo, sigue siendo alto y evidencia que aún
continúa en expansión el nivel de infectados, con los efectos sociales y
económicos adversos que esta medida implica. Se concluye que la COVID-19 es
una enfermedad que crece exponencialmente, por lo cual, la política de salud
basada en la estrategia de supresión ha permitido aplanar la curva de contagio,
evitando el colapso del Sistema de Salud.

Taramona (2020) en el trabajo de investigación: Modelación matemática para

mitigar los efectos del COVID-19 en el sector turismo del Perú, tiene por objetivo

6
realizar una caracterización del comportamiento de la pandemia en los tres
primeros meses de su desarrollo, basado en el análisis de tendencias y la
determinación del número de reproducción efectivo (Rt) a partir de métodos
estadístico-matemáticos. Se aplicó una variante el modelo matemático SIR para
pronosticar la posible evolución de la pandemia. Este se ajustó con la estrategia
de optimización Global Search del software MATLAB. Su solución empleó la
función ode23tb de MATLAB, que usa un algoritmo combinado de Runge-Kutta
con otro de regla trapezoidal. Con la aplicación de la estrategia Kaizen como vía
de mejora continua, se propusieron un conjunto de acciones que pudieran
realizarse actualmente y que permitirían enfrentar en mejor situación la
recuperación del sector turístico. El comportamiento del Rt y la simulación
realizada demostraron que las medidas de mitigación establecidas son
insuficientes para reducir sustancialmente el impacto de la pandemia,
pronosticándose que, para finales del año 2020, el número de infectados pudiera
alcanzar la cifra de 840 mil y los fallecidos superarían los 44 mil.

Córdova (2020) en el trabajo de investigación: Precisión del pronóstico de la

dinámica de propagación de la COVID-19 en Perú, se tiene por objetivo analizar la
precisión del pronóstico del modelo suavizado de Brown para predecir la
propagación de la COVID-19 en Perú, entre el 6 de marzo al 30 de mayo del 2020.
Es un estudio descriptivo basado en un análisis de series de tiempo
correspondiente al período comprendido entre el 6 de marzo al 30 de mayo del
2020 en Perú. Se utilizó la información de la cantidad de casos positivos de
COVID-19 (155 671 personas). El modelo empleado como método de predicción
fue el pronóstico suavizado de Brown que consiste en realizar dos suavizaciones
exponenciales, a partir de las cuales se calcula el pronóstico: en la primera se
emplean los valores observados en la serie de tiempo; y la segunda, la serie que
ha sido obtenida mediante la primera atenuación. Las medidas de precisión
utilizadas fueron el error medio del pronóstico (EMP), el error medio al cuadrado
(EMC), la desviación absoluta de la media (DAM) y el porcentaje de error medio
absoluto (PEMA). Para determinar si los datos se ajustan al modelo evaluado se

7
utilizó el coeficiente de determinación (R2). Resultados: El error medio del
pronóstico (EMP) fue de 156,7; el error medio al cuadrado (EMC) fue de 506461,3;
la desviación absoluta de la media (DAM) fue 450,6 y el porcentaje de error medio
absoluto (PEMA) fue 9,03 %. El coeficiente de determinación (R2) fue de 0,8078.
E concluye que el error de precisión o porcentaje de error medio absoluto (PEMA)
fue del 9,03 %, con un coeficiente de determinación (R2) de 0,8078; lo que indica
que los datos se ajustan en un 80,78 % al modelo evaluado.

2.2. Bases teóricas

2.2.1. Modelo matemático
Un modelo matemático es una descripción matemática (a menudo por medio de
una función o una ecuación) de un fenómeno del mundo real, como el tamaño de
una población, la expectativa de vida de una persona al nacer o la propagación de
una epidemia.

Zill (2002) dice que: “Con frecuencia se desea describir el comportamiento de

algún sistema o fenómeno de la vida real en términos matemáticos; dicho sistema
puede ser físico, sociológico o hasta económico. La descripción matemática de un
sistema o fenómeno se llama se llama modelo matemático y se forma con ciertos
objetivos en mente.” (p. 22)

La importancia de los modelos matemáticos en Ciencias de la Salud,

específicamente en la especialidad de Higiene y Epidemiología se muestra en la
necesidad de predecir el comportamiento de epidemias. Estas se pueden modelar
mediante una ecuación diferencial de 1er orden o mediante un sistema de
ecuaciones diferenciales.

Dado un problema del mundo real, la primera tarea es formular un modelo

matemático. Para esto se identifican y nombran las variables independientes y
dependientes y se establecen hipótesis que simplifiquen el fenómeno lo suficiente
para que pueda tratarse matemáticamente. Para lograr esta tarea hay que poner
en práctica los conocimientos de la situación física y las habilidades matemáticas
para obtener ecuaciones que relacionen las variables. En las situaciones en que
8
no exista una ley física que guíe el trabajo, quizás se necesite reunir datos y
examinarlos en forma de tabla para distinguir los patrones. Es probable que sea
conveniente obtener una representación gráfica a partir de la representación
numérica de una función, utilizando estos datos. En algunos casos, la gráfica
podría sugerir incluso una fórmula algebraica adecuada.

2.2.2. El modelo matemático SIR

Dentro de la epidemiología, uno de los modelos matemáticos determinísticos más
usado es el denominado modelo SIR cuyas siglas corresponden a la descripción
en el idioma inglés (Susceptible-Infectious-Recovered). El modelo, que tiene su
origen en el trabajo de Kermack y McKendrick (1972), permite caracterizar la
evolución de una epidemia que se propaga mediante contagio entre los individuos
de una población de tamaño N que permanece constante. En cada momento del
tiempo t los individuos pueden encontrarse en tres posibles estados o
compartimentos,

• Susceptibles S(t): individuos sanos que pueden ser contagiados por los
infectados.

• Infectados I(t): individuos portadores de la enfermedad.

• Recuperados R(t): individuos que se han recuperado de la enfermedad.

El modelo cuenta con dos parámetros, que son los siguientes:

• Tasa de infección o tasa de transmisión de la enfermedad 𝛽: nos indica el

número de contactos suficientes para la transmisión de una persona por unidad de
tiempo. Es decir, el parámetro 𝛽 es el producto del número de contactos medios
por individuo y unidad de tiempo y la probabilidad de contagio en un solo contacto
entre un individuo infectado y un individuo susceptible. En consecuencia 𝛽𝐼(𝑡)/𝑁
nos indica el número medio de contactos infectados por unidad de tiempo de un
individuo susceptible, mientras que 𝛽𝑆(𝑡)𝐼(𝑡)/𝑁 es el número de casos nuevos por
unidad de tiempo.

9
• Tasa de recuperación 𝛾: nos indica la tasa por unidad de tiempo a la cual los
individuos infectados se recuperan. Es decir, es la ratio entre el número de
recuperados y el número de infectados por unidad de tiempo El periodo medio de
latencia se calcula como la inversa de la tasa de recuperación, L = 1/. Es
importante resaltar, de nuevo, que el valor de la tasa de infección o transmisión
está relacionado, por un lado, con el número de contactos por unidad de tiempo y,
por otro lado, con la probabilidad de contagio. Si bien es cierto que una parte
importante de la tasa de infección depende de si la enfermedad es más o menos
contagiosa, las medidas de prevención como el confinamiento, el distanciamiento
y la adopción de medidas de higiene y protección por parte de la población,
tienden a reducir el valor de la misma. Barroso (2020).

2.2.3. Formulación del modelo matemático SIR

La dinámica del modelo SIR está representada por el siguiente sistema de
ecuaciones diferenciales que describen la variación en el tiempo de cada uno de
los tres estados posibles de los componentes de una población N, susceptibles
(S), Infectados (I) y recuperados (R).

𝑑𝑆 𝛽𝑆𝐼
=−
𝑑𝑡 𝑁
𝑑𝐼 𝛽𝑆𝐼
= − 𝛾𝐼 ; 𝑆(0) = 𝑆0 = 𝑁 − 𝐼0 , 𝐼 (0) = 𝐼0 , 𝑅(0) = 0
𝑑𝑡 𝑁
𝑑𝑅
{ 𝑑𝑡 = 𝛾𝐼

Asumiendo que el número de infectados en el instante 𝑡 = 0, es 𝐼0 .

Observemos que en el sistema se cumple

𝑑𝑆 𝑑𝐼 𝑑𝑅
+ + =0⇒𝑆+𝑅+𝑇 = 𝑁
𝑑𝑡 𝑑𝑡 𝑑𝑡

2.2.4. Tasa básica de reproducción

La tasa básica de reproducción denotada por 𝑅0 , sirve para describir la intensidad
de una enfermedad infecciosa, y nos indica el número de nuevos infectados, en

10
promedio, por un solo infectado a lo largo del periodo de duración de la
enfermedad. Se calcula de la siguiente manera

𝛽
𝑅0 =
𝛾

Si 𝑅0 > 1, la enfermedad se propaga ampliamente en la población hasta

convertirse en una pandemia. Si 𝑅0 < 1, la enfermedad tiende a desaparecer en
un determinado periodo de tiempo.

2.2.5. Enfermedad infecciosa

Una enfermedad infecciosa es clínicamente evidente resultado de la presencia de
un agente microbiano patógeno. El agente microbiano que causa la enfermedad
puede ser proteínas bacterianas, virales, fúngicas, parasitarias o pueden ser
tóxicas, llamadas priones. Las enfermedades infecciosas causadas por bacterias
incluyen tuberculosis y neumonía; enfermedades virales incluyen VIH y la
influenza; las enfermedades fúngicas más extendidas son las dermatomicosis; las
infecciones parasitarias son causadas por macro parásitos como protozoos,
helmintos, trematodos y cestodos.

Según el medio de transmisión, las enfermedades infecciosas se clasifican de la

siguiente manera:

A. Enfermedades transmitidas de persona a persona son enfermedades que

requieren contacto directo. El contacto directo incluye tocar o tener contacto
sexual.
B. La transmisión aérea ocurre por inhalación de aire infectado. Las
enfermedades transmitidas por el aire incluyen influenza, viruela, sarampión,
varicela y tuberculosis.
C. Las enfermedades transmitidas por los alimentos y el agua se transmiten a
través de la ingestión de alimentos o agua contaminados.
D. Las enfermedades transmitidas por vectores son transmitidas por un vector,
con mayor frecuencia un artrópodo como un mosquito o una garrapata, o un
molusco como un caracol.
11
E. La transmisión vertical ocurre cuando una enfermedad se transmite a través
de la placenta, de madre a hijo antes o al nacer.

Según la página oficial del ministerio de Salud los coronavirus (CoV) son una
amplia familia de virus que pueden causar diversas afecciones, desde el resfriado
común, hasta infecciones respiratorias graves. La Covid 19 es la enfermedad
causada por el coronavirus que se ha descubierto más recientemente. Tanto este
nuevo virus como la enfermedad que provocan eran desconocidos antes de que
estallara el brote en Wuhan (China) en diciembre de 2019. Actualmente la Covid
19 es una pandemia que afecta a muchos países de todo el mundo. ¿cómo se
transmite? Una persona puede contraer la Covid 19 por contacto con otra que esté
infectada por el virus. Se transmite de persona a persona a través de gotitas que
expulsa una enferma al hablar, toser o estornudar. Las gotitas pueden ser
inhaladas por las personas que están cerca al enfermo y también quedarse en
cualquier tipo de superficie (pasamanos, mesas, lapiceros, entre otros) y ser
tocadas por las manos. El virus ingresa a nuestro organismo cuando nos tocamos
los ojos, la nariz y la boca con las manos sin lavar.

Montesinos, O (2007) nos muestra un resumen sobre la historia sobre las

enfermedades infecciosas:

En términos históricos, las enfermedades infecciosas han constituido una

amenaza muy grave para la sociedad. Durante la mayor parte del siglo XX
las pandemias (epidemias que se propagan por áreas y poblaciones de
enorme tamaño) se habían ya considerado amenazas del pasado; la
medicina moderna se había ocupado para siempre de la peste, la viruela y
otras catástrofes de carácter contagioso. No obstante, los cambios
ambientales actuales han propiciado cambios en las distribuciones
geográficas de organismos en general y de parásitos en particular. La
resistencia a los agentes antimicrobianos también se ha convertido en un
grave problema mundial. Algunas infecciones, antes fáciles de tratar con
antibióticos, representan ahora una grave amenaza para la salud en todas
partes. El caso de Toronto (Canadá), la única ciudad de un país occidental
12
 en la que la epidemia del síndrome respiratorio agudo grave (SRAG) se ha
extendido de forma local, es un claro ejemplo de ello. Por lo tanto, en años
recientes, las enfermedades infecciosas como malaria, tuberculosis,
VIH/SIDA, SRAG y la posibilidad del bioterrorismo han provocado de nueva
cuenta un gran efecto económico y de salud, sea en países desarrollados o
del tercer mundo, lo cual indica que esta amenaza sigue presente. Por ello,
el uso de métodos cuantitativos basados en modelos matemáticos para
estudiar la dinámica de transmisión y control de las enfermedades
infecciosas ha ganado importancia de forma notoria entre los científicos y
profesionales de la salud para idear programas efectivos de control e
interpretar patrones epidemiológicos. En el presente trabajo se revisan los
antecedentes, la relevancia y la clasificación de los modelos matemáticos
para enfermedades infecciosas; además, se describen de forma detallada
algunos modelos típicos y otros esquemas recientes que se utilizan cada
vez más para modelar las enfermedades infecciosas. Es probable que el
hombre formulara ya teorías acerca de la naturaleza de las enfermedades
infecciosas desde mucho tiempo atrás. Por ejemplo, se atribuyó a una lenta
nube de aire dañino la difusión de la peste negra en el siglo XIV como una
explicación causal. D´Alembert fue el primero en describir la propagación de
enfermedades infecciosas mediante un modelo matemático en el siglo
XVIII.2 Sin embargo, el primer artículo conocido que incluye un modelo
explícito para una enfermedad infecciosa apareció en 1760. El documento
lo publicó Daniel Bernoulli (1700-82), de nacionalidad suiza, quien tenía
conocimientos médicos y matemáticos. Bernoulli propuso varios modelos
matemáticos mediante ecuaciones diferenciales para modelar algunas
enfermedades infecciosas. (pp. 218-219)

2.3. Conceptual
2.3.1. Modelación con EDO lineales
Los investigadores han resaltado la importancia de los modelos matemáticos en
las diferentes disciplinas. La construcción de modelos matemáticos es una de las

13
herramientas utilizadas hoy en día para el estudio de problemas en medicina,
biología, fisiología, bioquímica, epidemiología, farmacocinética, entre otras áreas
del conocimiento; sus objetivos primordiales son describir, explicar y predecir
fenómenos y procesos en dichas áreas. Sin embargo, su aplicación se ve limitada
con frecuencia por la falta de conocimientos e información acerca de los principios
básicos del modelamiento matemático. La relevancia de la construcción de los
modelos matemáticos para enfermedades infecciosas es evidente:

a) La construcción de modelos revela algunas veces relaciones que no son

obvias a primera vista;
b) Una vez construido el modelo matemático es posible extraer de él
propiedades y características de las relaciones entre los elementos que de
otra forma permanecerían ocultas;
c) En la mayor parte de los problemas de enfermedades infecciosas del mundo
real no es factible experimentar con la realidad, ya que puede ser muy
costoso, peligroso, inmoral o incluso imposible. Por lo tanto, es natural
intentar superar esta dificultad con la construcción de un modelo que
describa de manera adecuada las características básicas de la epidemia y
entonces usar el modelo para predecir las consecuencias de introducir
cambios específicos;
d) La función principal de un modelo para una enfermedad infecciosa consiste
en proveer un medio que posibilita entender la dispersión de una enfermedad
infecciosa a través de una población bajo diferentes escenarios. Es
importante resaltar que un modelo está en verdad definido por las relaciones
que incorpora. Estas relaciones son independientes de los datos a introducir
en el modelo, ya que un modelo puede usarse para diferentes ocasiones y
en distintos contextos. Cabe señalar que los modelos matemáticos para
enfermedades infecciosas se utilizan como herramienta para tomar
decisiones y que deben valorarse en su justa medida, ya que difícilmente es
comprensible un problema complejo sin una mínima modelación, aunque
también hay que reconocer que no es posible modelar la totalidad de las

14
 situaciones reales. En esencia, la función central de crear y analizar modelos
matemáticos es mejorar la comprensión de un sistema para prevenir futuras
situaciones de enfermedades, determinar la prevalencia e incidencia y
coadyuvar a tomar decisiones objetivas para controlar o erradicar las
enfermedades. (Montesinos y Hernández, 2007, p.218)

2.3.2. Clasificación de los modelos matemáticos

Existen dos tipos de modelos matemáticos: determinísticos y estocásticos. En un
modelo determinístico se pueden controlar los factores que intervienen en el
estudio del proceso o fenómeno y por tanto se pueden predecir con exactitud sus
resultados. En un modelo estocástico no es posible controlar los factores que
intervienen en el estudio del fenómeno y en consecuencia no produce simples
resultados únicos. Cada uno de los resultados posibles se genera con una función
de probabilidad que le adjudica una probabilidad a cada uno de éstos, por
ejemplo, un modelo para predecir el tamaño de una epidemia en una población de
N individuos. Para el caso determinístico se proporciona un valor único, C,
mientras que el modelo estocástico permite la posibilidad de obtener desde cero
hasta N individuos y se adjudica una cierta probabilidad a cada uno de estos
sucesos. La diferencia es más grande de lo que parece, ya que en un modelo
matemático determinístico en el contexto epidemiológico; un solo sujeto causa una
epidemia generalizada, mientras que bajo un modelo estocástico existe la
posibilidad de que la epidemia se extinga. (Montesinos, y Hernández, p. 219)

Borelli (2002) define la modelación como un proceso: “La modelación es el

proceso de reconstrucción de un proceso natural de su medio a una forma llamada
modelo, el cual puede analizarse por medio de técnicas que entendemos y en las
que confiamos. Un modelo es un dispositivo que ayuda al modelador a predecir o
explicar el comportamiento de un fenómeno, experimento o suceso”. (p. 41)

Un suceso de magnitud mundial es la aparición del virus SARS-COV2, que ha

producido la pandemia COVID 19, que ha causado muchas muertes en todo el
mundo.

15
En la figura 1 se muestra la secuencia que se debe seguir para formular un
modelo matemático que nos permita representar un fenómeno de la naturaleza, en
nuestro caso de interés, la pandemia producida por el Covid 19.

Figura 1

Secuencia de la modelación matemática

Fuente: (Zill, D. y Cullen, M. 2008. p. 21)

Una de las actividades importantes en el proceso de modelación matemática es la

identificación de las variables en el modelo.

La construcción de un modelo matemático de un sistema inicia con la

identificación de las variables responsables del cambio que se produzca en el
sistema. Es posible que al principio decidamos no incorporar todas estas variables
en el modelo. En este primer paso se especifica el nivel de resolución del modelo.
A continuación, formulamos un conjunto de premisas razonables o hipótesis
acerca del sistema que intentamos describir. Estos supuestos también incluirán
cualquier ley empírica aplicable al sistema. (Zill, D. y Cullen, M. 2008, p.21)

2.3.3. Difusión de una enfermedad

Una de las aplicaciones sencillas de las ecuaciones diferenciales ordinarias de
primer orden es la difusión de una enfermedad en una población finita.

16
Zill, D. y Cullen, M. (2006) nos muestran un modelo para una enfermedad
contagiosa en una población finita.

Una enfermedad contagiosa —por ejemplo, un virus de gripe— se difunde

en una comunidad por medio del contacto físico entre las personas. Si 𝑥(𝑡)
indica el número de personas que han tenido contacto con la enfermedad y
𝑦(𝑡) el número de personas que no han sido expuestas a ésta, parece
𝑑𝑥
razonable asumir que la tasa a la que se difunde la enfermedad es
𝑑𝑡

proporcional al número de encuentros o interacciones entre estos dos

grupos de gente. Si suponemos que el número de interacciones es
conjuntamente proporcional a 𝑥(𝑡) y 𝑦(𝑡), es decir, proporcional al producto
𝑥𝑦, entonces

𝑑𝑥
= 𝑘𝑥𝑦 (1)
𝑑𝑡

donde k es la constante acostumbrada de proporcionalidad. Suponga una

pequeña comunidad que cuenta con una población fija de 𝑛 personas. Si
una persona infectada se introduce en esta comunidad, entonces puede
asumir que 𝑥(𝑡) y 𝑦(𝑡) se encuentran relacionados por 𝑥 + 𝑦 = 𝑛 + 1 Al
utilizar esta última ecuación para eliminar la variable 𝑦 en (1) obtendremos
el modelo.

𝑑𝑥
= 𝑘𝑥 (𝑛 + 1 − 𝑥 ), 𝑥 (0) = 1
𝑑𝑡

Este modelo nos permite predecir el comportamiento de la difusión de una

enfermedad en una población. (p.23)

Suponga que un estudiante portador del virus de la gripe regresó a su campus

universitario aislado con población de 1 000 estudiantes. Para Determinar una
ecuación diferencial a fin de establecer el número de personas 𝑥(𝑡) que han
contraído la gripe si la tasa a la cual se propaga la enfermedad es proporcional al
número de interacciones dadas entre la cantidad de estudiantes con gripe y los
estudiantes que aún no han sido expuestos al virus será:
17
 𝑑𝑥
= 𝑘𝑥 (1001 − 𝑥 ), 𝑥 (0) = 1
𝑑𝑡

2.3.4. Modelos de compartimentos

Los modelos de compartimentos se utilizan con frecuencia para describir el flujo
de material en sistemas biológicos. Un modelo de compartimentos contiene un
número de compartimentos por los cuales circula el material con flujos de entrada
y salida definidos, se debe tener en cuenta que los compartimentos y los flujos no
son componentes individuales del modelo, los flujos de entrada y salida dependen
del contenido en cada interior del compartimento. (Castillo, C. 2014)

Otra aplicación de los modelos de compartimentos está dada en la epidemiología.

Un modelo epidemiológico de compartimentos puede definirse a partir de las
clases y subclases de individuos en que se puede dividir una población afectada
por una enfermedad; los flujos entre clases y subclases. Las tasas de transición
son estimadas del conocimiento cualitativo y evidente en la Historia Natural de la
Enfermedad. Cuando el modelo ha sido establecido y las clases epidemiológicas y
tasas de transición están definidas, la dinámica de la infección en la población
puede ser expresada matemáticamente por un sistema de ecuaciones
diferenciales.

En la modelación de la propagación de una enfermedad se hace la siguiente

distribución de compartimentos en una población.

S: denota la población susceptible de ser contagiado con la enfermedad

I: denota la población que se ha contagiado con la enfermedad

R: denota la población que se ha recuperado de la enfermedad.

Con esta distribución tradicional en el estudio del contagio de una enfermedad en

una población se tienen los modelos SI, SIR, SIS, SIRS los cuales se
esquematizan en la figura 2. 𝛼, 𝛽, 𝛾 denotan el flujo de entrada y salida a cada
compartimento según corresponda.
18
Figura 2

Modelos de Compartimentos Tipo SI, SIR, SIS, SIRS

Fuente: Modelos de Propagación de las Enfermedades Infecciosas (Castillo, y col.

2014, p.11).

19
2.4. Definición de términos básicos
Hay una serie de conceptos en epidemiología estrictamente relacionados con las
enfermedades infecciosas. Estos conceptos juegan un papel importante en la
construcción de modelos agregando varias funciones al modelo. Martcheva
(2015).

2.4.1. Tasa de infección

La tasa de infección se refiere a la velocidad con que se infecta la población en un
periodo determinado, y se denota por 𝛽.

2.4.2. Tasa de recuperación

Es la medida con la que se recuperan los infectados en un periodo de tiempo y se
denota por 𝛾.

2.4.3. Individuos expuestos

Cuando un individuo sano que es vulnerable a contraer una enfermedad hace un
contacto potencialmente transmisor de la enfermedad, ese individuo queda
expuesto. Las personas expuestas pueden desarrollar la enfermedad o no. Por lo
general, estas personas no son infecciosas, En los modelos matemáticos, a
menudo se asume que todos los individuos expuestos eventualmente desarrollan
la enfermedad.

2.4.4. Individuos infectados o infecciosos.

Si el patógeno se establece en un individuo expuesto, entonces ese individuo se
infecta. Individuos infectados quienes pueden transmitir la enfermedad se
denominan infecciosos. Las personas infectadas pueden no ser infeccioso durante
todo el tiempo de estar infectado.

2.4.5. Individuos latentes

Se tratan de personas que están infectadas pero que aún no son infecciosas. El
periodo de latencia se define como el tiempo desde la infección hasta que el
hospedador capaz de transmitir el agente infeccioso a otra persona

20
2.4.6. Periodo de incubación.
El periodo de incubación es el periodo entre la exposición a un agente infeccioso y
la aparición de síntomas de la enfermedad. En enfermedades infecciosas, el
periodo de incubación es el tiempo necesario para que el agente infeccioso se
multiplique.

2.4.7. Incidencia.
La incidencia se define como el número de personas que se enferman durante un
intervalo de tiempo especificado (por ejemplo, un año). A veces, la incidencia es el
número de personas que se enferman en un intervalo de tiempo específico
dividido por la población total.

2.4.8. Proporción de letalidad.

La proporción de letalidad se da como la proporción de personas que mueren a
causa de una enfermedad y quienes la contraen.

2.4.9. Mortalidad inducida por enfermedades.

Es el número de personas que han muerto a causa de la enfermedad en una
unidad de tiempo (por ejemplo, un año) dividida por la población entera.

21
III. HIPÓTESIS Y VARIABLES

3.1. Hipótesis
3.1.1. Hipótesis general
El modelo matemático epidemiológico SIR permite mostrar la dinámica del COVID-
19 en la región Callao.

3.1.2. Hipótesis específicas

a) El modelo matemático epidemiológico SIR permite mostrar la dinámica de la
población de Susceptibles producida por la COVID-19 en la región Callao.

b) El modelo matemático epidemiológico SIR permite mostrar la dinámica de la

población de Infectados producida por la COVID-19 en la región Callao.

c) El modelo matemático epidemiológico SIR permite mostrar la dinámica de la

población de recuperados de la enfermedad producida por la COVID-19 en la
región Callao.

3.2. Definición conceptual de variables

Variable independiente. El modelo matemático epidemiológico SIR que permite
modelar la propagación de una enfermedad en un cierto periodo de tiempo.

Variable Dependiente: Dinámica de la enfermedad producida por la COVID- 19 en

la región Callao, observando el comportamiento de la población de Susceptibles,
Infectados y Recuperados.

3.2.1. Operacionalización de variable

Operacionalizamos la variable dependiente para observar su dinámica a través del
tiempo haciendo uso del modelo SIR

22
Tabla 1

Operacionalización de la Variable Dependiente

VARIABLE
DIMENSIONES INDICADOR METODO
DEPENDIENTE
la dinámica de la Gráfica de la curva
población de solución para los
Susceptibles Susceptibles
producida por el
COVID-19 en la
región Callao
dinámica de la Gráfica de la curva
Aplicar el
población de solución para los
modelo
Infectados Infectados
epidemiológico
Dinámica de la producida por el
SIR con los
COVID-19 en la COVID-19 en la
datos referidos
región Callao región Callao.
a la Región
dinámica de la Gráfica de la curva
Callao.
población de solución para los
recuperados de Recuperados
la enfermedad
producida por el
COVID-19 en la
región Callao.

Fuente: Elaboración propia

23
IV. DISEÑO METODOLÓGICO

4.1. Tipo y diseño de la investigación.

Es una investigación básica, de alcance descriptivo, de diseño no experimental

4.2. Método de investigación.

Construiremos el modelo epidemiológico SIR aplicado a la COVID 19 en la región
Callao, haremos uso de la fuente de datos publicados por el Ministerio de Salud
para la región Callao.

4.3. Población y muestra

La población está constituida por los habitantes del Perú.

La muestra es los habitantes de la región Callao.

4.4. Lugar de estudio y periodo desarrollado

Debido a las medidas de emergencia dictadas por el gobierno del Perú, el trabajo
se desarrolla de manera remota, en el Callao. Se ha considerado el periodo de
marzo del 2020 hasta abril del 2021.

4.5. Técnicas e instrumentos para la recolección de la información

Los datos usados para la simulación son los publicados por el Ministerio de Salud
para la región Callao.

4.6. Análisis y procesamiento de datos.

Se hizo una simulación de la COVID 19 considerando una población de 1000
habitantes, con condiciones iniciales de un infectado y cero recuperados al inicio.
Se resolvió el sistema de ecuaciones que corresponden al sistema epidemiológico
SIR con los datos referidos a la región Callao, usando el Software Geogebra. Se
obtuvieron las curvas solución para la población de Susceptibles, Infectados y
Recuperados.

24
V. RESULTADOS

5.1. Resultados descriptivos

5.1.1. Simulación de la Dinámica del COVID 19 para 1000 habitantes
Tabla 2

Dinámica del COVID 19 con el Modelo SIR en EXCEL

DIAS SUCEPTIBLES BETA INFECTADOS GAMMA RECUPERADOS RO

1 999 0.0013 1 0.5 0 2.597
2 998 0.0013 2 0.5 1 2.594
3 995 0.0013 3 0.5 1 2.588
4 991 0.0013 6 0.5 3 2.577
5 984 0.0013 10 0.5 6 2.558
6 970 0.0013 18 0.5 11 2.523
7 947 0.0013 32 0.5 20 2.463
8 907 0.0013 56 0.5 37 2.359
9 841 0.0013 94 0.5 65 2.186
10 738 0.0013 151 0.5 112 1.918
11 593 0.0013 220 0.5 187 1.542
12 424 0.0013 279 0.5 297 1.102
13 270 0.0013 293 0.5 437 0.702
14 167 0.0013 250 0.5 583 0.434
15 113 0.0013 179 0.5 708 0.293
16 87 0.0013 116 0.5 798 0.225
17 74 0.0013 71 0.5 856 0.191
18 67 0.0013 42 0.5 891 0.174
19 63 0.0013 25 0.5 912 0.164
20 61 0.0013 14 0.5 925 0.159
21 60 0.0013 8 0.5 932 0.156
22 59 0.0013 5 0.5 936 0.154
23 59 0.0013 3 0.5 938 0.153
24 59 0.0013 2 0.5 940 0.153
25 59 0.0013 1 0.5 941 0.152
26 58 0.0013 1 0.5 941 0.152
27 58 0.0013 0 0.5 941 0.152
28 58 0.0013 0 0.5 941 0.152
29 58 0.0013 0 0.5 941 0.152
30 58 0.0013 0 0.5 942 0.152

Tabla generada en EXCEL. Fuente: Elaboración propia

25
Se ha hecho una simulación del modelo SIR en EXCEL con una población N de
1000 habitantes, una tasa de contagio 𝛽 = 0.0013 que es un valor aceptado
mundialmente para el COVID 19, una tasa de recuperación 𝛾 = 0.5; Con estos
parámetros se tiene un coeficiente de reproducción (tasa reproductiva) 𝑅0 = 2.5, lo
que significa que una persona infecta aproximadamente entre dos a tres personas.

Se observa en la tabla 2 que el día 13 se alcanza el máximo de infectados, 293,

que corresponde al 29.3 % de la población total y que a partir de ahí el valor de
𝑅0 < 1. A partir del día 13 la cantidad de infectados comienza a decrecer, esto es
obviamente, si se mantiene la tasa de contagio en 𝛽 = 0.0013.

Figura 3

Dinámica del COVID 19 con el Modelo SIR en EXCEL

1200

1000

800

600 DIAS

SUCEPTIBLES
400
INFECTADOS

RECUPERADOS
200

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Se observa que en el día 13 se obtiene el número máximo de infectados, 293.

Fuente: Elaboración propia usando el software EXCEL

26
5.1.2. Dinámica de la COVID 19 cuando aumenta la tasa de infección
Tabla 3

Dinámica del COVID 19 con el Modelo SIR en EXCEL mayor tasa de infección

DIAS SUCEPTIBLES BETA INFECTADOS GAMMA RECUPERADOS RO

1 999 0.0018 1 0.5 0 0.000
2 997 0.0018 2 0.5 1 3.590
3 993 0.0018 5 0.5 2 3.575
4 984 0.0018 12 0.5 4 3.541
5 962 0.0018 27 0.5 10 3.464
6 915 0.0018 61 0.5 24 3.293
7 814 0.0018 131 0.5 55 2.931
8 622 0.0018 258 0.5 120 2.238
9 333 0.0018 418 0.5 249 1.199
10 83 0.0018 459 0.5 458 0.297
11 14 0.0018 298 0.5 688 0.052
12 7 0.0018 157 0.5 837 0.024
13 5 0.0018 80 0.5 915 0.017
14 4 0.0018 41 0.5 955 0.015
15 4 0.0018 21 0.5 976 0.014
16 4 0.0018 10 0.5 986 0.013
17 4 0.0018 5 0.5 991 0.013
18 4 0.0018 3 0.5 994 0.013
19 4 0.0018 1 0.5 995 0.013
20 4 0.0018 1 0.5 996 0.013
21 4 0.0018 0 0.5 996 0.013
22 4 0.0018 0 0.5 996 0.013
23 4 0.0018 0 0.5 996 0.013
24 4 0.0018 0 0.5 996 0.013
25 4 0.0018 0 0.5 996 0.013
26 4 0.0018 0 0.5 996 0.013
27 4 0.0018 0 0.5 996 0.013
28 4 0.0018 0 0.5 996 0.013
29 4 0.0018 0 0.5 996 0.013
30 4 0.0018 0 0.5 996 0.013

Dinámica del modelo SIR si aumenta la tasa de infección. Tabla generada en

EXCEL, Fuente: Elaboración propia.

27
Si aumenta la tasa de infección, el número máximo de infectados se alcanza el día
10 teniéndose 459 infectados; es decir, el 45.9%, lo que representa casi la mitad
de la población, esto genera un colapso en el sistema de salud, por lo que se hace
necesario tomar medidas gubernamentales para frenar el número de infectados,
es decir reducir la tasa de infección.

Figura 4

Dinámica del COVID 19 con aumento de tasa de infección

1200

1000

800

DIAS
600
SUCEPTIBLES

400 INFECTADOS

200

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Dinámica con 𝛽 = 0.0018, 𝑅0 = 3.5. Fuente Elaboración propia usando EXCEL.

5.1.3. Aplanando la curva de Infectados

Uno de los términos que se usa en epidemiología es “Aplanar” la curva de
infectados, esto se consigue con medidas estrictas como los confinamientos
obligatorios, distanciamiento social, uso de mascarillas, lavado de manos, etc.

Supongamos que en el día 8 se toman medidas para reducir la tasa de contagio y

por ende la tasa de propagación del virus. En la tabla 3 se observa que a partir del
día 14 la tasa reproductiva 𝑅0 = 0.825 < 1.

28
Tabla 4

Aplanamiento de la curva de Infectados

DIAS SUCEPTIBLES BETA INFECTADOS GAMMA RECUPERADOS RO

1 999 0.0013 1 0.5 0 0.000
2 998 0.0013 2 0.5 1 2.594
3 995 0.0013 3 0.5 1 2.588
4 991 0.0013 6 0.5 3 2.577
5 984 0.0013 10 0.5 6 2.558
6 970 0.0013 18 0.5 11 2.523
7 947 0.0013 32 0.5 20 2.463
8 907 0.001 56 0.5 37 1.814
9 856 0.001 79 0.5 65 1.712
10 788 0.001 107 0.5 104 1.577
11 704 0.001 138 0.5 158 1.407
12 606 0.001 167 0.5 227 1.213
13 505 0.001 184 0.5 310 1.011
14 412 0.001 185 0.5 403 0.825
15 336 0.001 169 0.5 495 0.672
16 279 0.001 141 0.5 580 0.558
17 240 0.001 110 0.5 650 0.479
18 213 0.001 81 0.5 705 0.427
19 196 0.001 58 0.5 746 0.392
20 185 0.001 40 0.5 775 0.369
21 177 0.001 28 0.5 795 0.354
22 172 0.001 19 0.5 809 0.344
23 169 0.001 13 0.5 818 0.338
24 167 0.001 8 0.5 825 0.334
25 165 0.001 6 0.5 829 0.331
26 165 0.001 4 0.5 832 0.329
27 164 0.001 2 0.5 834 0.328
28 164 0.001 2 0.5 835 0.327
29 163 0.001 1 0.5 836 0.327
30 163 0.001 1 0.5 836 0.326

Dinámica del modelo SIR con 𝛽 = 0.001, 𝑅0 = 1.814 a partir del día 8. Fuente:
Elaboración propia usando el software Excel.

Se observa en la tabla 4 que a partir del día 14 el coeficiente 𝑅0 < 1 lo cual

permite que la pandemia sea mas manejable.

29
Figura 5

Aplanando la curva de infectados

SUCEPTIBLES
1200
INFECTADOS

1000
RECUPERADOS

800

600

400

200

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

En el día 14 se aplana la curva, 185 infectados lo cual representa el 18.5% de la

población. Fuente: Elaboración propia usando el software EXCEL.

5.2. Resultados inferenciales

El modelo SIR lo vamos a implementar haciendo uso del software Geogebra lo
que nos permitirá hacer uso de un sistema de ecuaciones diferenciales.

5.2.1. Procedimiento para el modelo SIR en formato Geogebra

Para formular el modelo epidemiológico SIR en el software Geogebra
consideramos las siguientes expresiones.

Condiciones iniciales

Población: 𝑁 = 1000

Susceptibles al inicio: 𝑆𝑖 = 999

30
Infectados al inicio: 𝐼𝑖 = 1

Recuperados al inicio: 𝑅𝑖 = 0

Deslizadores

Creamos los deslizadores a, b y TiempoMax que representan la tasa de infección,

la tasa de recuperación, y el tiempo respectivamente.

Escribimos las ecuaciones diferenciales del modelo SIR

𝑆′(𝑡, 𝑆, 𝐼, 𝑅) = −𝑎 ∗ 𝑆 ∗ 𝐼/𝑁

𝐼
𝐼 ′(𝑡, 𝑆, 𝐼, 𝑅 ) = 𝑎 ∗ 𝑆 ∗ −𝑏∗𝐼
𝑁

𝑅′(𝑡, 𝑆, 𝐼, 𝑅) = 𝑏 ∗ 𝐼

Usamos el comando ResuelveNEDO para resolver el sistema numéricamente

𝑅𝑒𝑠𝑢𝑒𝑙𝑣𝑒𝑁𝐸𝐷𝑂({𝑆 ′ , 𝐼 ′ , 𝑅′}, 0, {𝑆𝑖 , 𝐼𝑖 , 𝑅𝑖 }, 𝑇𝑖𝑒𝑚𝑝𝑜𝑀𝑎𝑥 )

5.2.2. Dinámica de la COVID 19 con alta tasa de infección

El software Geogebra nos permite apreciar la dinámica de Susceptibles,
Infectados y Recuperados.

En la figura 4 se muestra la dinámica de los susceptibles en línea azul, y los

infectados en línea roja; se observa que los infectados crece rápidamente, debido
a que no hay medidas de contención. Esto explica la necesidad de medidas
gubernamentales para detener este crecimiento de infectados, por ejemplo, el
confinamiento obligatorio, uso de mascarillas, lavado de manos.

Con 𝑎 = 1.8, 𝑏 = 0.5 se tiene un 𝑅0 = 3.6 lo cual indica que una persona infectada
contagia entre 3 y 4 personas aproximadamente lo cual describe una situación
crítica de la pandemia.

31
Figura 6

Dinámica de susceptibles, Infectados y Recuperados con mayor tasa de infección

La tasa de infección es a = 1.8, la tasa de recuperación es b = 0.5.. Fuente:

Elaboración propia usando el software Geogebra.

5.2.3. Dinámica de la COVID 19 con medidas de contención

Se observa en la figura 4 que la curva de infectados crece de manera exponencial,
por lo que se hace necesario detener el crecimiento exponencial de los infectados,
para esto deben dictase medidas gubernamentales como confinamiento
obligatorio, distanciamiento social, etc. En el caso del Perú se implementó el
confinamiento obligatorio a partir de la segunda semana de marzo del 2020, se
suspendieron las actividades presenciales en casi todos los ministerios, con la
finalidad de reducir la tasa de infección. En la figura 5 se tiene la dinámica de la
COVID 19 con una tasa de infección 𝑎 = 1.3.

32
Figura 7

Dinámica de susceptibles, Infectados y Recuperados con menor tasa de infección

Se considera a = 1.3, b = 0.5 la tasa de infección y recuperación respectivamente.

La línea roja presenta la dinámica de los infectados. Fuente: Elaboración propia
usando el software Geogebra.

5.2.4. Efecto de las medidas de contención

Ahora veamos la dinámica de la COVID 19 si se aplican medidas de contención de
la pandemia con responsabilidad. Esto permitirá que la tasa de infección sea
menor

33
Figura 8

Aplanando la curva de infectados

Fuente: Elaboración propia usando el software Geogebra.

Las medidas de contención como el confinamiento obligatorio, el distanciamiento

social, el uso de mascarillas, permiten el descenso de la tasa de infección y por lo
tanto que la curva de infectados se aplane.

5.2.5. Dinámica de la Covid 19 en la región Callao

Al inicio de la pandemia en el Perú, en la región Callao se tenía una población de
1129854 habitantes. El primer infectado fue reportado oficialmente el 14 de marzo
del 2020. En el Perú y por ende en la región Callao en el periodo marzo 2020
hasta abril 2021, la pandemia se ha manifestado en tres olas bien marcadas,
como se muestra en la figura 9.

34
Figura 9

Reporte de infectados diarios en la Región Callao

3000

2500

2000
Infectados

1500

1000

500

Marzo 2020 - abril 2021

Fuente de datos: Diario la República

A) Primera Ola. La primera ola se manifiesta en los meses de marzo 2020 hasta
junio del 2020, donde el pico de infectados se alcanza el 27 de mayo del 2020
con 509 infectados reportados oficialmente.
B) Segunda Ola. La segunda ola se manifiesta en los meses de julio 2020 hasta
octubre del 2020, donde el pico de infectados se alcanza el 12 de agosto del
2020 con 419 infectados reportados oficialmente.
C) Tercera Ola. La tercera ola se manifiesta en los meses de enero 2021 hasta
junio del 2021, donde el pico de infectados se alcanza el 03 de abril del 2021
con 2805 infectados reportados oficialmente.

35
Figura 10

Simulación de dinámica de la Covid 19 Región Callao-Primera Ola

1200000

SUCEPTIBLES
1000000
INFECTADOS
RECUPERADOS
800000
Población

600000

400000

200000

0
15/03/2020 15/04/2020 15/05/2020 15/06/2020
Marzo, abril, mayo, junio 2020

Fuente: Elaboración propia usando el software Geogebra.

Figura 11

Simulación de Infectados Primera Ola-Región Callao

45000
40000
35000
30000
Infectados

25000
20000
15000
10000
5000
0
15/03/2020 15/04/2020 15/05/2020 15/06/2020
Marzo, abril mayo, junio 2020

Fuente: Elaboración propia usando el software Geogebra.

36
Figura 12

Simulación de dinámica de la Covid 19 Región Callao-Segunda Ola

1200000

1000000
SUCEPTIBLES
800000 INFECTADOS
RECUPERADOS
Población

600000

400000

200000

0
01/07/2020 01/08/2020 01/09/2020 01/10/2020 01/11/2020
Julio. agosto, setiembre, octubre 2020

Fuente: Elaboración propia usando el software Geogebra

Figura 13

Simulación de Infectados Segunda Ola-Región Callao

60000

50000

40000
Infectados

30000

20000

10000

0
01/07/2020 01/08/2020 01/09/2020 01/10/2020 01/11/2020
Julio, Agosto, setiembre, octubre 2020

Fuente: Elaboración propia usando el software Geogebra.

37
Figura 14

Simulación de dinámica de la Covid 19 Región Callao-Tercera Ola

1200000 SUCEPTIBLES

INFECTADOS
1000000 RECUPERADOS

800000
Población

600000

400000

200000

0
01/01/2021 01/02/2021 01/03/2021 01/04/2021 01/05/2021
Enero, febrero, marzo, abril, mayo 2021

Fuente: Elaboración propia usando el software Geogebra

Figura 15

Simulación de Infectados Tercera Ola-Región Callao

35000

30000

25000
Infectados

20000

15000

10000

5000

0
01/01/2021 01/02/2021 01/03/2021 01/04/2021 01/05/2021
Enero, febrero, marzo,abril, mayo 2021

Fuente: Elaboración propia usando el software Geogebra.

38
5.3. Otros resultados
5.3.1. Reporte de fallecidos diarios
El modelo matemático epidemiológico SIR de nuestro proyecto incluye a la
población de fallecidos en la población de Recuperados, por tal motivo
presentamos la dinámica de fallecidos del periodo marzo 2020 hasta abril 2021.

Figura 16

Reporte de fallecidos por día periodo marzo 2020 hasta abril 2021

70

60

50
Fallecidos

40

30

20

10

Marzo 2020- abril 2021

Fuente de datos: Diario la República

5.3.2. Reporte de Infectados desde marzo 2020 hasta marzo 2021

En la figura 10 se muestra la dinámica de infectados en el periodo dese marzo
2020 hasta marzo 2021, los datos corresponden a los informes diarios que el
ministerio de salud hacía de conocimiento público. Se observa un comportamiento
similar al mostrado por el software Geogebra en los diferentes periodos (olas).
Entre junio y julio del 2020 se tuvo el pico mas alto de la primera ola donde se tuvo
8987 infectados en un solo día, 14 de junio del 2020.
39
Figura 17

Reporte de Infectados desde marzo 2020 hasta marzo 2021-Perú

25000

20000

15000
Infectados

10000

5000

Marzo 2020 - marzo 2021

Fuente de datos: Ministerio de Salud del Perú.

40
VI. DISCUSIÓN DE RESULTADOS

6.1. Contrastación y demostración de la hipótesis con los resultados

Se ha aplicado el modelo matemático epidemiológico SIR y se ha conseguido la
dinámica del COVID 19, observándose la curva de Susceptibles, Infectados y
Recuperados. Se ha hecho una simulación de la pandemia considerando los
diferentes escenarios de interés, sin restricciones, con restricciones, lográndose
visualizar el aplanamiento de la curva de infectados, lo cual muestra que las
medidas de confinamiento obligatorio, distanciamiento social, uso de mascarillas y
lavado de manos con responsabilidad disminuyen la tasa de infección y por lo
tanto la tasa reproductiva básica del contagio a 𝑅0 < 1, lo cual permite tener
control de la pandemia.

6.2. Contrastación de los resultados con otros estudios similares

En el caso particular de España, Barroso (2020) presenta una simulación para una
población de 𝑁 = 1000, 𝛽 = 0,667, 𝛾 = 0.167. obteniéndose una tasa de
reproducción 𝑅0 = 3.9, lo cual produce que la pandemia cause efectos trágicos en
el sistema de salud de cualquier país por más adelantado que sea.

La solución del sistema de ecuaciones se hace con un programa llamado deSolve

que permite la solución de sistemas de ecuaciones diferenciales. En nuestro caso,
tanto la simulación hecha en con el software EXCEL y Geogebra producen un
comportamiento similar. Lo cual muestra que nuestro modelo es correcto.

41
Figura 18

Simulación de un escenario de pandemia para población finita

Nota: La población es N= 1,000. 𝛽 = 0,667, 𝛾 = 0.167.

Fuente: (Barroso, V. 2020, p. 4)

6.3. Responsabilidad ética de cuerdo a los reglamentos vigentes

Los datos presentados en el trabajo de investigación son de entera
responsabilidad del autor, estos son los publicados por el ministerio de salud y son
de uso y conocimiento público.

42
 CONCLUSIONES

❖ Se ha demostrado la hipótesis propuesta, es decir, se ha aplicado el

modelo matemático epidemiológico SIR para describir la dinámica del Covid
19 en la Región Callao. Se ha aplicado el modelo matemático
epidemiológico SIR para mostrar la dinámica de Susceptibles producida por
la Covid 19 en la región Callao.
❖ Se ha aplicado el modelo matemático epidemiológico SIR para mostrar la
dinámica de Infectados producida por la Covid 19 en la región Callao.
❖ Se ha aplicado el modelo matemático epidemiológico SIR para mostrar la
dinámica de Recuperados producida por la Covid 19 en la región Callao.
❖ La dinámica de los infectados muestra que la curva sigue un
comportamiento exponencial hasta alcanzar un punto máximo a partir del
cual la curva de infectados tiende a decrecer. Para aplanar la curva de
infectados se hace necesario tomar medidas con responsabilidad como el
distanciamiento social, el uso de tapabocas y el lavado de manos, y al inicio
el confinamiento obligatorio.
❖ Se ha podido observar con los datos correspondientes a nuestra región que
cuando la población se relaja en las medidas necesarias, la curva de
infectados tiende a crecer nuevamente, produciéndose las ya conocidas
“olas”.

43
 RECOMENDACIONES

De los resultados obtenidos se recomienda mantener las medidas de

distanciamiento social, uso de mascarillas, lavado de manos y otros hábitos de
limpieza que contribuyan a disminuir el contagio del virus ya que de lo observado
en los resultados el virus SARS CoV 2 se propaga rápidamente en la población
cuando la tasa de reproducción básica 𝑅0 > 1.

Se recomienda seguir investigando sobre este tema, debido a que nuevas

variantes van apareciendo, como la ómicron, el cual se muestra mucho más
contagioso que el virus original. El modelo matemático epidemiológico SIR ha
mostrado ser eficiente para mostrar la dinámica de una enfermedad contagiosa.

44
 REFERENCIAS BIBLIOGRÁFICAS

Barroso, V. (2020) UNA BREVE INTRODUCCIÓN AL MODELO SIR APLICADO

AL CASO DEL COVID-19. Instituto Complutense de Estudios
Internacionales

Borelli, R., y Coleman, C. (2002) Ecuaciones Diferenciales una Perspectiva de

Modelación. OXFORD, UNIVERSITY PRESS.

Campbell, S., y Haberman, R. (1998) Introducción a las Ecuaciones diferenciales

con valor de frontera. McGraw Hill.

Castillo, C. y otros (2014) Modelos De La Propagación De Enfermedades

Infecciosas. Cali. Universidad Autónoma de Occidente.

Córdova, D., y Santa María, F. (2020) Precisión del pronóstico de la dinámica de

propagación de la COVID-19 en Perú. Universidad Peruana Cayetano
Heredia, Facultad de Estomatología Roberto Beltrán. Lima, Perú

DALEY, D. and GANI, J. (1999). Epidemic Modelling: An Introduction Australian

National University

Fred G. y otros (2020) Modelo SIR de la pandemia de Covid-19 en Colombia.

Recuperado de

http://www.scielo.org.co/pdf/rsap/v22n1/0124-0064-rsap-22-01-e185977.pdf

Gonzales, J. y otros (2020) Pandemia de la COVID-19 y las Políticas de Salud

Pública en el Perú: marzo-mayo 2020. Revista de Salud Pública Vol. 22
Nro.2

Ma, S., and Xia, Y. (2009) MATHEMATICAL UNDERSTANDING OF INFECTIOUS

DISEASE DYNAMICS. Lecture Notes Series, Institute for Mathematical
Sciences, National University of Singapore – Vol. 16.

45
Martín, B. (2020) Una breve introducción al modelo SIR aplicado al caso del
Covid-19. [ ICEI Papers COVID-19; Nro. 12) Universidad Complutense,
Madrid.

Martcheva, M. (2015) An Introduction to Mathematical Epidemiology. Springer.

Montesinos, L., y Hernández, S. (2007) Modelos matemáticos para enfermedades

infecciosas. Salud Publica México; 49:218-226.

Ortigoza, G., Lorandi, A. (2020) Simulación Numérica y Modelación Matemática de

la propagación del Covid 19 en el estado de Veracruz. Recuperado de

https://www.medigraphic.com/pdfs/forense/mmf-2020/mmf203c.pdf

Taramona, L. y otros (2020) Modelación matemática para mitigar los efectos del
COVID-19 en el sector turismo del Perú.

Wilches, J., Castillo, M. (2020) Aproximación Matemática del Modelo

Epidemiológico SIR para la Comprensión de las Medidas de Contención
contra la COVID-19.

Zill, D., y Cullen, M. (2006) Matemáticas avanzadas par ingeniería, Vol. 1:

Ecuaciones Diferenciales. Mc Graw-Hill/ Interamericana Editores, S.A. de
C.V.

46
 MATRIZ DE CONSISTENCIA
Modelo matemático epidemiológico SIR para la dinámica de transmisión de la COVID-19 en la región Callao
Formulación del problema Objetivo general Hipótesis Variables e indicadores Metodología

¿De qué forma el modelo Usar el modelo matemático El modelo matemático SIR permite Variable Independiente: Tipo de
matemático epidemiológico SIR epidemiológico SIR para mostrar mostrar la dinámica de la COVID- Modelo matemático investigación: Se
nos permite explicar la dinámica de la dinámica de la COVID-19 en la 19 en la región Callao. epidemiológico SIR trata de una
la COVID-19 en la región Callao? región Callao. investigación
básica descriptiva
Problemas específicos Objetivos específicos Hipótesis específicas que tiene un
Variable dependiente: enfoque
1) ¿De qué forma el modelo 1) Usar el modelo matemático 1) El modelo matemático cuantitativo.
matemático epidemiológico SIR epidemiológico SIR para epidemiológico SIR permite Dinámica de propagación
nos permite mostrar la dinámica mostrar la dinámica de la mostrar la dinámica de la de COVID -19 en la región Aplicar el modelo
de Susceptibles producida por la población de Susceptibles población de Susceptibles Callao. SIR con los datos
COVID-19 en la región Callao? producida por la COVID-19 en producida por el COVID-19 en la • Dinámica de población referidos a la
2) ¿De qué forma el modelo la región Callao. región Callao. de Susceptibles. Región Callao.
matemático epidemiológico SIR 2) Usar el modelo matemático 2) El modelo matemático • Dinámica de población
nos permite mostrar la dinámica epidemiológico SIR para epidemiológico SIR permite de Infectados. Población:
de Infectados producida por la mostrar la dinámica de la mostrar la dinámica de la • Dinámica de población
COVID-19 en la región Callao? población de Infectados población de Infectados de Recuperados Perú
3) ¿De qué forma el modelo producida por la COVID-19 en producida por la COVID-19 en la
matemático epidemiológico SIR la región Callao. región Callao.
Muestra:
nos permite mostrar la dinámica 3) Usar el modelo matemático 3) El modelo matemático
de Recuperados de la epidemiológico SIR para epidemiológico SIR permite
enfermedad producida por la mostrar la dinámica de la mostrar la dinámica de la Región Callao
COVID-19 en la región Callao? población de Recuperados de la población de Recuperados de la
enfermedad producida por la enfermedad producida por la
COVID-19 en la región Callao. COVID-19 en la región Callao.

47
Fuente de datos

Casos y tasa de ataque por COVID-19. Perú 2020-2021 (SE 01)

Fuente.: Centro Nacional de Epidemiología. Prevención y Control de Enfermedades-MINSA

48
 Defunciones y tasa de letalidad por COVID-19, Perú 2020-2021 (SE)

Fuente.: Centro Nacional de Epidemiología. Prevención y Control de Enfermedades-MINSA

49
50